Artificial Intelligence. uthie 1

Artificial

Intelligence

uthie 1

Cabang-cabang AI

uthie 2

1. Logical AI

– Logika (matematis) yang merepresentasikan sekumpulan fakta dan tujuan ---> RUANG KEADAAN:

• Graph

• Tree

Cabang-cabang AI

2. Search

– Pencarian keadaan baru dari keadaan sekarang yang akan menentukan pergerakan:

• Blind Search

–Depth-First Search –Breadth-Firsh Search

• Heuristic Search

–Generate & Test –Hill Climbing –Best-First search –Simulated-Annealing –Tabu Search

–Algoritma Genetika

Cabang-cabang AI

3. Representation

–Representasi fakta-fakta (pengetahuan) dalam ruang keadaan:

• Logika (proposisi & predikat)

• Tree

• Jaringan Semantik

• Frame

• Naskah

• Kaidah Produksi

Cabang-cabang AI

4. Pattern Recognition

–Pengenalan & pencocokan suatu pola terhadap sekumpulan pola.

• Pengolahan Bahasa Alami

• Jaringan Syaraf Tiruan

Cabang-cabang AI

5. Inference

–Kemampuan untuk menarik kesimpulan berdasarkan pengetahuan.

• Forward Reasoning

• Backward Reasoning

• Fuzzy Inference System (FIS)

Cabang-cabang AI



Learning from Experience

◦ Melakukan proses pembelajaran (pelatihan) dari pengetahuan atau pengalaman yang ada pada basis pengetahuan.

 Jaringan Syaraf Tiruan

Bagaimana AI bekerja ?



Bagian terpenting AI:

◦ Knowledge base (basis pengetahuan), berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan lainnya.

◦ Inference engine, yaitu kemampuan menarik kesimpulan berdasarkan pengalaman.

Bagaimana AI bekerja ?

Knowledge Base

Inference Engine

Input:

MASALAH

Output:

SOLUSI ARTIFICIAL

INTELLIGENCE

Analogi dengan kecerdasan manusia



Basis Pengetahuan:

◦ Kumpulan pengetahuan & pengalaman yang dimiliki oleh manusia.

◦ Contoh:

 Jika saya makan cabe > 5 buah, maka tidak lama kemudian perut saya akan terasa sakit.

 Jika kuliah mulai jam 7, dan saya berangkat dari rumah jam 6.45, maka saya akan terlambat.

 Jika x=3.75, maka y=100.

Analogi dengan kecerdasan manusia

 Inferensi:

◦ Kemampuan manusia untuk menalar berdasarkan

pengetahuan/pengalaman yang dimiliki, apabila muncul suatu fakta.

◦ Contoh:

 Pengetahuan:

 Jika saya makan cabe > 5 buah, maka tidak lama kemudian perut saya akan terasa sakit.

 Fakta:

 Saya baru saja makan cabe 15 buah.

 Kesimpulan:

 Tidak lama lagi perut saya akan sakit.

Bentuk penalaran



Penalaran Deduktif

◦ Penalaran dimulai dari premis yang bersifat umum, untuk mendapatkan konklusi yang khusus.

◦ Contoh:

 Premis1: Jika hari hujan, maka saya tidak datang.

 Premis2: Hari ini turun hujan.

 Konklusi: Hari ini saya tidak datang.

Bentuk penalaran

 Penalaran induktif:

◦ Penalaran dimulai dari premis-premis yang bersifat khusus, untuk mendapatkan konklusi yang bersifat umum.

◦ Contoh:

 Premis1: Ikan mujaer bernafas dengan insang.

 Premis2: Ikan mas koki bernafas dengan insang.

 Premis3: Ikan bawal bernafas dengan insang.

 Premis4: Ikan kakap bernafas dengan insang.

 Konklusi: Ikan adalah hewan yang bernafas dg insang Premis5: Ikan paus bernafas dengan paru-paru.

 Konklusi tidak benar!!!!!

 Penalaran induktif sangat rentan terhadap ketidakpastian.

 Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidakkonsistenan disebut dengan “Penalaran Non Monotonis”.

 Ciri-ciri dari Penalaran Non Monotonis adalah:

◦ Mengandung ketidakpastian;

◦ Adanya perubahan pada pengetahuan.

◦ Adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk.

◦ Misalkan S adalah konklusi dari D, bisa jadi S tidak dibutuhkan sebagai konklusi D + fakta-fakta baru.

 Sedangkan Penalaran Monotonis memiliki ciri-ciri:

◦ Konsisten;

◦ Pengetahuannya lengkap.

Teknik Pemecahan Masalah AI

Conventional Hard Computing

Soft Computing Precise Models

Logika penalaran berbentuk simbol

Pencarian & Pemodelan masalah dilakukan secara

numeris (tradisional)

Approximate Models

Penalaran melalui pendekatan

Pendekatan fungsional &

Pencarian random

Soft Computing



Soft computing adalah koleksi dari

beberapa metodologi yang bertujuan untuk mengeksploitasi adanya toleransi terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat

diselesaikan dengan mudah, robustness, dan biaya penyelesaiannya murah.



Definisi ini pertama kali diungkapkan oleh

Prof. Lotfi A. Zadeh pada tahun 1992.

Komponen Soft Computing



Approximate reasoning:

◦ Fuzzy System;

◦ Probabilistic Reasoning;



Functional Approximation/ Randomized Search:

◦ Neural Network (Jaringan Syaraf)

◦ Evolutionary Algorithm (Algoritma

evolusioner).

Sistem Fuzzy

• Konsepnya menggunakan teori himpunan.

• Menggunakan derajat keanggotaan fuzzy untuk menunjukkan seberapa besar suatu nilai masuk dalam suatu himpunan fuzzy.

• Bidang kajian:

– Fuzzy Inference System – Fuzzy Clustering

– Fuzzy Database

– Fuzzy Mathematical Programming – Dll.

Jaringan Syaraf Tiruan

• Menggunakan algoritma pembelajaran untuk mendapatkan bobot-bobot yang optimum.

• Jenis pembelajaran: supervised learning, dan unsupervised learning.

• Algoritma pembelajaran yang sudah

dikembangkan, dan paling sering diaplikasikan:

– Perceptron – Radial Basis

– Backpropagation (sederhana & lanjut) – Self Organizing

– Learning Vector Quantization – dll

Algoritma Evolusioner

• Menggunakan pendekatan teori evolusi.

• Dipelopori oleh algoritma genetika.

• Terutama digunakan untuk optimasi.

• Algoritma yang sudah dikembangkan:

– Algoritma Genetika – Ant System

– Fish Schooling – Bird Flocking – Particle Swarm

Probabilistic Reasoning

• Mengakomodasi adanya faktor ketidakpastian.

• Teori-teori yang berkembang:

– Teorema Bayes

– Certainty Factor (statistic reasoning) – Teorema Dempster-Shafer (statistic

reasoning)

Hybrid System

• Setiap komponen dalam Soft computing tidak saling

‘berkompetisi’, melainkan justru saling ‘melengkapi’.

• Hybrid system merupakan

perpaduan antar komponen

dalam soft computing.

Beberapa Hybrid Systems

• Neuro-fuzzy Systems

– Jaringan syaraf digunakan untuk

membangkitkan fungsi keanggotaan suatu sistem fuzzy.

– Jaringan syaraf digunakan secara serial dengan sistem fuzzy. Jaringan syaraf berperan pada

saat preprocessing dan postprocessing.

– ANFIS (Adaptive Network-based Fuzzy

Inference System). Jaringan syaraf digunakan untuk mengimplementasikan Fuzzy inference System.

Beberapa Hybrid Systems

• Neural Fuzzy Systems

– Digunakan untuk akuisisi pengetahuan dan pembelajaran.

– Jaringan syaraf diinisialisasi dengan pengetahuan pakar dalam bentuk simbol, kemudian dilatih berdasarkan input-output sistem nyata.

– Pengetahuan dalam bentuk simbol yang diperoleh dari pelatihan tersebut kemudian direpresentasikan dalam logika fuzzy.

• Fuzzy Neural Network

– Lapisan-lapisan pada jaringan syaraf, melakukan

operasi-operasi: fuzzifikasi dan defuzzy, dari input dan output crisp.

Beberapa Hybrid Systems

• Fuzzy Genetic Algorithms

– Kemampuan optimasi dari GA

digunakan untuk memilih aturan-aturan terbaik untuk fuzzy inference system.

• Neuro-genetic Systems

– GA digunakan sebagai sarana untuk

mengukur performansi pembelajaran

dari jaringan syaraf.

Menggunakan AI, KAPAN ????



Masalah:

◦ Carilah nilai minimum dari: y=x²+2x-3;

pada kawasan [-10 10].

◦ Dengan mudah dapat diselesaikan secara analitis.

◦ Solusi eksak, Nilai Minimum = -4, terletak pada x=-1.



Untuk masalah sederhana yang bisa diselesaikan secara analitis,

selesaikanlah secara ANALITIS.

-10 -8 -6 -4 -2 0 2 4 6 8 10 -20

0 20 40 60 80 100 120

f(x)=x²+2x-3

x

y

minimum



Masalah:

◦ Carilah akar persamaan:

f(x)= sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x²- 5x) / cos(x³-2x),

dekat dengan 3.

◦ Sangat sulit untuk diselesaikan secara analitis, gunakan pendekatan METODE NUMERIS:

(Metode biseksi, regulafalsi, secant, Newton).

◦ Hasil=3,0846.

1 1.5 2 2.5 3 3.5 4 4.5 5 -600

-500 -400 -300 -200 -100 0 100 200 300

sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x²-5x)/cos(x³-2x)

x

y

y=0, x dekat dengan 3

 Masalah:

◦ Carilah nilai minimum dari:

f(x)= sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x²-5x) /cos(x³-2x),

dekat pada kawasan [1 5].

◦ Sangat sulit untuk diselesaikan secara analitis. Secara numeris memungkinkan, namun kumungkinan

diperoleh nilai minimum lokal sangat tinggi. Cara terbaik gunakan pendekatan ARTIFICIAL

INTELLIGENCE (Simulated Annealing, Algoritma Genetika).

◦ Nilai minimum=-547.3730, pada x=133

1 1.5 2 2.5 3 3.5 4 4.5 5 -600

-500 -400 -300 -200 -100 0 100 200 300

sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x²-5x)/cos(x³-2x)

x

y

minimum global

 Bekal ilmu yang harus ‘disiapkan’ untuk lebih memudahkan mempelajari Soft Computing:

ALJABAR KALKULUS LOGIKA

KOMPUTASI NUMERIS

SOFT COMPUTING